כתבה
arXiv cs.AI ·
TACTIC: תכנון טקטי זמני ומודע לתצלום למודלי LLM להתקפות LiDAR על צדי הדרך
TACTIC: Temporal and Context-Aware LLM Tactical Planning for Roadside LiDAR Attacks
TACTIC הוא פרקטיקה חדשה של תכנון טקטי זמני ומודע לתצלום למודלי LLM להתקפות LiDAR על צדי הדרך. הפרקטיקה עושה שימוש במודלי LLM כדי לבחור ולקבוע שני פרימיטיבים: push-away ו-phantom-obstacle braking. TACTIC הוכיחה יעילות ב-100% מהניסויים.
תקציר מקורי באנגליתarXiv:2609.39969v1 Announce Type: cross Abstract: Physical LiDAR attacks are often evaluated using fixed primitives and manually selected parameters, despite their strong dependence on surrounding traffic. We present TACTIC, a scene-aware framework that uses a multimodal large language model (MLLM) to coordinate state-adaptive roadside LiDAR attacks. Under a gray-box threat model, TACTIC relies only on an attacker-operated roadside perception stack, without accessing the victim LiDAR's native point clouds or internal processing. Local perception provides metric vehicle states, while the MLLM combines these measurements with roadside imagery to infer relational traffic context and construct a semantic scene graph. Based on this representation, TACTIC selects and configures two complementary
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית